提升视觉语言对齐、沉淀 Agent 编程技能、评估视频分割与音乐生成数据效率
今天主要跟进：视觉语言表示编辑、Agent 编程技能复用、视频实例分割瓶颈和小数据文本到音乐生成。
本期从 2026-06-05 论文源抓取并去重 344 篇候选论文，筛选 5 篇重点论文与 10 篇补充关注。
本期重点
- 1TEVI：Text Conditioned Editing of Visual Representations via Sparse Autoencoders 面向 Improved Vision Language Alignment🔗
- 2Socratic SWE：Self Evolving Coding Agents via Trace Derived Agent Skills🔗
- 3Mind the Gap：Disentangling Per面向mance Bottlenecks in Video Instance Segmentation🔗
- 4Making the Most of Limited Data：Score Aware Training 面向 Text to Music Generation🔗
- 5RhinoVLA Technical Report🔗
今天最值得跟进的方向
本期为轻量回滚版，基于 2026-06-05 的真实 arXiv 候选池做二次精选。它避开已在 2026-06-08 重点使用的论文，保留后排但仍值得跟进的研究线索。
重点论文：核心问题、方法线索与关键词
视觉语言表示编辑与对齐
核心：用文本条件和稀疏自编码器编辑视觉表示，目标是改善视觉语言对齐和可控表示操作。关键词：vision-language、alignment、sparse autoencoder、representation editing。
软件工程 Agent 技能复用
核心：从执行轨迹中提炼可复用 Agent 技能，用于提升软件工程 Agent 在任务迁移和工具调用中的稳定性。关键词：coding agents、software engineering、skills、trace learning。
视频实例分割瓶颈诊断
核心：拆解视频实例分割中的分类、分割和跟踪误差，有助于定位视频理解模型的真实性能瓶颈。关键词：video instance segmentation、tracking、evaluation、diagnosis。
小数据文本到音乐生成
核心：关注有限数据条件下的文本到音乐生成训练策略，可作为低资源生成模型评测与训练方法线索。关键词：text-to-music、limited data、training、evaluation。
边缘侧机器人 VLA 部署
核心：讨论视觉语言动作模型在边缘硬件上的部署挑战，适合跟踪机器人模型的实时推理和系统优化。关键词：VLA、robotics、edge deployment、latency。
其他值得关注
A robust PPG foundation model using multimodal physiological supervision：多模态生理信号基础模型。
Hierarchical Certified Semantic Commitment for Byzantine Resilient LLM Agent Collaboration：多 Agent 协作中的语义承诺与鲁棒性。
Closed Form Spectral Regularization for Multi Task Model Merging：多任务模型合并中的谱正则。
MMAE: A Massive Multitask Audio Editing Benchmark：多任务音频编辑评测。
Seeing Without Exposing：开放世界多模态模型的隐私控制。
阅读边界
- 本期为历史内容轻量回滚，不展示完整候选评分表。
- 本期与 2026-06-08 可共享源日，但选题上采用二次精选，避免直接复用已入选重点论文。
- 代码、数据和评测可复现性需进入原文进一步确认。